有效的记忆管理可以增强代理维护上下文、从过去的经验中学习以及随着时间的推移做出更明智决策的能力。大多数AI Agent构建的应用程序都需要记忆来在多个交互中共享上下文。在 LangGraph 中，这种记忆就是通过checkpointer 和 store 来做持久性，从而添加到任何StateGraph中。最常见的用例之一是用它来跟踪对话历史记录，但是也有很大的优化空间，因为随着对话变得越来越长，历史记录会累积并占用越来越多的上下文窗口，导致对大模型的调用更加昂贵和耗时，并且可能会出错。为了防止这种情况发生，我们一般是需要借助一些优化手段去管理对话历史记录，同时更加适配生产环境的PostgresSaver / AsyncPostgresSaver ）高级检查点，我们也将随着知识点的进一步补充后，再结合实际的案例进行详细的讲解。

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.store.memory import InMemoryStore

checkpointer = InMemorySaver()
store = InMemoryStore()

model = ...
research_agent = ...
math_agent = ...

workflow = create_supervisor(
    [research_agent, math_agent],
    model=model,
    prompt="You are a team supervisor managing a research expert and a math expert.",
)

# Compile with checkpointer/store
graph = workflow.compile(
    checkpointer=checkpointer,
    store=store
)

config = {"configurable": {"thread_id": "111"}, "user_id": "8"}
async for chunk in graph.astream({"messages": ["你好，介绍一个你自己"]}, config, stream_mode="values"):
    chunk["messages"][-1].pretty_print()

LangGraph 框架中的Memory通过状态管理与检查点与 thread_id 进行绑定，从而隔离不同线程的记忆和状态，防止并发交互之间的干扰，保证每个线程独立运行。总体而言，thread_id 是 LangGraph 中组织和管理记忆的关键机制，可实现有效的状态跟踪和交互连续性。但是，通过thread_id不能实现的是：跨线程的交互。我们虽然可以通过thread_id去中断或者恢复某个对话，但是让不同线程间共享各自的消息，在checkpointer的实现机制下并不能做到，所以有了LangGraph的长期记忆的实现模块。